正则表达式:regular expression / regex / RE
通用的字符串表达框架。
简介表达一组字符串的表达式。
针对字符串表达“简介”和“特征”的思想工具
判断某字符串的特征归属
一组字符串:‘PY’ ‘PYY’ ‘PYYY’ …
正则表达式: PY+
一组字符串: ‘PY’ 开头,后续存在不多于10个字符,后续字符不能包含’P’或’Y’。
正则表达式: PY[^PY]{10}
作用:
- 表达文本类型的特征(病毒、入侵等)
- 同时查找或替换一组字符串。
- 匹配字符串的全部或部分。
主要应用在字符串匹配上。
语法:
如 P(Y|YT|YTH|YTHO)?N
常用操作符:
操作符 | 说明 | 实例 |
---|---|---|
. | 表示任何单个字符 | |
[ ] | 字符集,对单个字符给出取值范围 | [abc]表示a或b或c,[a-z]表示a到z单个字符 |
[^ ] | 非字符集,对单个字符给出排除范围 | [^abc]表示非a或b或c的单个字符 |
* | 前一个字符0次或无限次扩展 | abc*表示ab、abc、abcc、abccc… |
+ | 前一个字符1次或无限次扩展 | abc+i表示abc、abcc、abccc… |
? | 前一个字符0次或1次扩展 | abc?表示ab或abc |
| | 左右表达式任意一个 | abc| def表示abc或def |
{m} | 扩展前一个字符m次 | ab{2}c表示abbc |
{m,n} | 扩展前一个字符串m至n次(含n) | ab{1,2}c表示abc或abbc |
^ | 匹配字符串开头 | ^abc表示abc且在一个字符串的开头 |
$ | 匹配字符串结尾 | abc$表示abc且在一个字符串的结尾 |
() | 分组标记,内部只能使用| 操作符 | (abc)表示abc,(abc|def) 表示abc或def |
\d | 数字,等价于[0-9] | |
\w | 单词字符,等价于[A-Za-z0-9_] |
经典实例:
符号 | 说明 |
---|---|
^[A-Za-z]+$ | 由26个大小写字母组成的字符串(感觉这个$不要也没事啊) |
^[A-Za-z0-9]+$ | 由26个大小写字母和数字组成的字符串。 |
^-?\d+$ | 整数形式的字符串(可正可负) |
[1-9]\d{5} | 中国境内邮政编码,6位。 |
[\u4e00-\u9fa5] | 匹配中文字符 |
\d{3}-\d{8}|\d{4}-\d{7} | 国内电话号码 010-68913536(不知道这个电话号码是啥。。。mooc里来的。) |
(([1-9]?\d|1\d{2}|2[0-4]\d|25[0-5]).){3}(([1-9]?\d|1\d{2}|2[0-4]\d|25[0-5]).) | IP地址 |
基本使用:
raw string类型(原生字符串类型)(不包含转义符(\)的字符串)。表示正则表达式。表示为r'text'
如: r'[1-9]\d{5}'
主要功能函数:
函数 | 说明 |
---|---|
re.search() | 在一个字符串中搜索匹配正则表达式的第一个位置,返回match对象。 |
re.match() | 从一个字符串的开始位置起匹配正则表达式,返回match对象。 |
re.findall() | 搜索字符串,以列表类型返回全部能匹配的子串。 |
re.split() | 将一个字符串按照正则表达式匹配结果进行分割,返回列表类型。 |
re.finditer() | 搜索字符串,返回一个匹配结果的迭代类型,每个迭代元素是match对象。 |
re.sub() | 在一个字符串中替换所有匹配正则表达式的子串,返回替换后的字符串。 |
re.search(patten,string,flags = 0)
- pattern:正则表达式的字符串或原生字符串表示
- string:待匹配的字符串
- flags:正则表达式使用时的控制标记。
3.1 re.IGNORECASE:忽略正则表达式的大小写。
3.2 re.M re.MULTILINE:正则表达式中的^操作能够将给定字符串的每行当作匹配开始。
3.3 re.S re.DOTALL:正则表达式中的.操作符能够匹配所有字符(默认匹配除行换行符外所有符号)
>>> import re
>>> match = re.search(r'[1-9]\d{5}','BIT 100081')
>>> if match:
print(match.group(0))
100081
re.match(pattern,string,flags = 0)
三个参数和search相同。
>>> match = re.match(r'[1-9]\d{5}','BIT 100081')
>>> if match:
print(match.group(0))
>>> match.group(0)
Traceback (most recent call last):
match.group(0)
AttributeError: 'NoneType' object has no attribute 'group'
因为match函数是从开始位置匹配,而开始位置的文本时’BIT’所以match没有返回结果,如果调整string 的信息就可以。
>>> match = re.match(r'[1-9]\d{5}','100081 BIT')
>>> if match:
match.group(0)
'100081'
re.findall(pattern,string,flags = 0)
三个参数同上。
>>> ls = re.findall(r'[1-9]\d{5}','100081 BIT TSU 100083 YYY 1100822')
>>> print(ls)
['100081', '100083', '110082']
最后一个时11008222 我以为会出现110082 和100822两个的。但只有一个。
>>> ls = re.findall(r'[1-9]\d{5}','100081111111 BIT TSU 100083 YYY 1100822')
>>> print(ls)
['100081', '111111', '100083', '110082']
re.split(pattern,string,maxsplit = 0,flags = 0)
maxsplit:最大分割数,超出分割数的剩余部分作为最后一个元素输出。
>>> re.split(r'[1-9]\d{5}','100081111111 BIT TSU 100083 YYY 1100822')
['', '', ' BIT TSU ', ' YYY ', '2']
>>> re.split(r'[1-9]\d{5}','100081111111 BIT TSU 100083 YYY 1100822',maxsplit = 2)
['', '', ' BIT TSU 100083 YYY 1100822']
re.finditer(pattern,string,flags = 0)
for m in re.finditer(r'[1-9]\d{5}','100081111111 BIT TSU 100083 YYY 1100822'):
if m :
print(m.group(0))
100081
111111
100083
110082
re.sub(pattern,repl,string,count = 0, flags = 0)
repl:替换匹配字符串的字符串
count:匹配的最大次数。
re.sub(r'[1-9]\d{5}','change','100081111111 BIT TSU 100083 YYY 1100822')
'changechange BIT TSU change YYY change2'
面向对象用法:编译后的多次操作。
regex = re.compile(pattern,flags = 0)
将正则表达式的字符串形式编译成正则表达式对象
>>> pat = re.compile(r'[1-9]\d{5}')
>>> rst = pat.search('BIT 100081')
#可以调用search match等六种方法。
match对象类型:
>>> import re
>>> match = re.search(r'[1-9]\d{5}','BIT 100081')
>>> if match:
print(match.group(0))
100081
>>> type(match)
<class 're.Match'>
Match 对象的属性
属性 | 说明 |
---|---|
.string | 待匹配文本 |
.re | 匹配时使用的pattern对象(就是正则表达式) |
.pos | 正则表达式搜索文本的开始位置 |
.endpos | 正则表达式搜索文本的结束位置 |
方法:
方法 | 说明 |
---|---|
.group(0) | 获得匹配后的字符串 |
.start() | 匹配字符串在原始字符串的开始位置 |
.end | 匹配字符串在原始字符串的结束位置 |
.span() | 返回(.start(),.end()) |
>>> m = re.search(r'[1-9]\d{5}','BIT100081 TTT100082') #
>>> m.string
'BIT100081 TTT100082'
>>> m.re
re.compile('[1-9]\\d{5}')
>>> m.pos
0
>>> m.endpos
19
>>> m.group(0)
'100081'
>>> m.start()
3
>>> m.end()
9
>>> m.span()
(3, 9)
'''search只返回搜索的第一个匹配的字符串。如果想要多个可以使用
for m in re.finditer(r'[1-9]\d{5}','BIT100081 TTT100082')'''
贪婪匹配和最小匹配:
Re库默认贪婪匹配,输出匹配最长的子串
贪婪匹配:
>>> match = re.search(r'PY.*N','PYANBNCNDN')
>>> match.group(0)
'PYANBNCNDN'
最小匹配:
>>> match = re.search(r'PY.*?N','PYANBNCNDN')
>>> match.group(0)
'PYAN'
如果没有*,只有?
那么字符串'PYABNBNCNDN'就没有输出了。
最小匹配操作符:
操作符 | 说明 |
---|---|
*? | 前一个字符0或无限次扩展,最小匹配。 |
+? | 前一个字符1或无限次扩展最小匹配。 |
?? | 前一个个字符0或1次扩展,最小匹配。 |
{m,n} | 扩展前一个字符m至n次(含n),最小匹配。 |
所有操作符,表长度。都可以在该操作符后加 ?表最小匹配。